專利名稱：一種復雜性測度的圖像紋理分割方法
技術領域：
本發(fā)明屬于圖像信息處理領域，涉及一種圖像紋理分割方法，特別是涉及一種基于非線性理論(復雜性測度)特征描述圖像紋理和支持向量機的一種分割方法。
背景技術：
紋理圖像分割作為目標識別、圖像理解以及計算機視覺中的一個基本問題，對紋理圖像分割技術的研究，具有重要的理論和現實意義。在過去的幾十年中受到國內外研究者的重視，獲得了長足的發(fā)展。關于紋理分割的方法層出不窮，有些方法也取得了令人滿意的分割效果，但總的來說，魯棒性不高、無監(jiān)督的分割效果差以及時間消耗高。
一種典型的紋理分割算法主要包括兩個階段第一個階段是對紋理的特征提取，第二個階段是利用模式識別技術對特征的分類。
特征是紋理分割的關鍵。一般灰度圖像的分割是基于灰度值一致性、相近性來表征區(qū)域的一致性，從而實現分割，在紋理圖像中區(qū)域的一致性是由區(qū)域內紋理的某些特征的一致性來表示的，分割是在某個或某些特征的基礎上進行的。根據紋理結構的不同，抽取或分割圖像的一些區(qū)域，以了解圖像的構成。如何在圖像中抽取出表示每個象素或者表示空間灰度分布的特征量，然后根據所抽取的紋理結構信息進行區(qū)域的抽取與分割，就是紋理分割中所要解決的主要問題，即紋理特征提取。
在特征提取階段，利用一定的算法，得到圖像中每一像素點或每一小區(qū)域的一個特征矢量。在這個過程中，隱含在圖像中的紋理信息被轉換成更易操作的矢量。經過圖像分析研究學者們多年的研究，目前在紋理特征提取中已經形成了幾種常用方法，將其分成四類基于統(tǒng)計方法、基于結構方法、基于模型方法和基于空間/頻率域方法。
(1)基于統(tǒng)計方法統(tǒng)計方法是最早在紋理分析中應用的方法之一，統(tǒng)計方法是目前研究較多、占主導地位的一種方法，它利用圖像的統(tǒng)計特性求出特征值，基于圖像特征空間一致性進行分割。主要包括通過自相關函數、灰度共生矩陣等來計算紋理圖像的特征值。
由于紋理的一個重要特征是某種模式的重復出現，所以圖像的自相關函數最早被用于評估這種規(guī)律性。自相關函數通過對某種特定的紋理基元作為模板在紋理圖像范圍內進行平移，計算其差值(或其他某種運算)記為自相關函數。自相關函數的缺點是法描述具有重復細微結構的紋理。
灰度共生矩陣描述一對相距一定距離、成一定方向的、分別具有特定灰度值的像素的出現概率(頻數)，反映了圖像灰度分布于方向、局部鄰域和變化幅度的綜合信息。一般來說，基于統(tǒng)計的特征存在計算量大、分割精度差、抗噪能力差等缺點。
(2)基于結構方法用一組紋理基元以及基元之間的排列規(guī)則來描述紋理特征。如果把紋理基元與語言中的字符作類比，那么基元之間空間關系就可以用與說明字符是符合組織起來的文法相對應。因此，字符與文法結合在一起就構成了紋理的語言學模型。在語言學中語言的合成可以通過建立合乎文法的字符串來完成，而語言的識別就是對字符串進行句法分析。類似的，紋理的合成和識別也可用相似的方法來完成。
紋理的結構分析方法主要由提取紋理基元和推斷排列規(guī)則兩部分組成。一般只適用于規(guī)則性較強的人工紋理，因此應用受到很大限制。
(3)基于模型方法利用模型進行紋理圖像分割的方法研究比較多的模型主要是隨機模型(Markov隨機場模型、Gibbs隨機場模型)和分形模型。
Morkov隨機場(MRF)模型被廣泛應用于紋理圖像的分割。MRF是一種條件概率模型，可以描述圖像中各個象素與其鄰域的相關性。一般采用參數估計輪流迭代初始化條件模型參數，在此基礎上分割，利用分割結果進一步估計模型參數，然后再分割，直到滿足收斂條件。
分形是建立在分數維上的一種集合。自然紋理可以用分形進行很好的描述。分形方法主要有四個步驟估計圖形某一像素塊的分形維數；組成分形維數的直方圖；在直方圖峰間的低谷處將直方圖分成若干塊；根據不同分形維數的塊來確定紋理區(qū)域。
(4)基于空間/頻率域方法基于圖像表示空間/頻率域聯(lián)合分析法可在很大程度上克服傳統(tǒng)頻域分析方法的不足。這是一種針對Fourier分析的缺點，最近在信號分析和人類視覺機理研究中發(fā)展起來的介于空間域和頻率域表示之間的新方法。人的視覺生理與心理研究表明，人類視覺同時對位置和空間頻率敏感，視覺皮層能夠同時捕捉空間位置和空間頻率的局域信息。這類方法與人的視覺機理相似，可同時在空間域和頻率域取得較好的局部化特性，其復雜程度從由Marr，Crick和Poggio提出的三到四個頻率通道到頻域分析器的整個譜段。頻域分析器可采用Wigner函數，Gabor函數或區(qū)段高斯平滑函數來實現。其中Gabor函數是目前應用得最為普及，效果也最好的方法。
紋理分割的第二個階段是模式識別與特征分類的過程。特征的分類是在特征提取的基礎上進行的。特征分類的任務是將表示圖像象素特性的特征向量按某種相似性準則分類。對于有監(jiān)督的紋理分割，在模式識別階段，我們首先根據第一階段計算得到的各種已知紋理的特征矢量建立一個模型，然后將未知待測紋理的特征矢量與各模型中的已知紋理的特征矢量相比較，從而確定該未知紋理應屬于哪一種紋理；對于無監(jiān)督的紋理分割，模式識別階段可以看成是特征矢量在某一多維空間的聚類問題。通過對特征矢量的聚類，最終達到圖像中不同紋理的分割。
傳統(tǒng)的聚類分析把每個樣本嚴格地劃分到某一類，屬于硬劃分的范疇。實際上，樣本并沒有嚴格的屬性，它們在性態(tài)和類屬方面存在著中介性。隨著模糊集理論的提出，硬聚類被推廣為模糊聚類。在模糊聚類中，每個樣本不再屬于某一類，而是以一定的隸屬度分屬于每一類。即通過將傳統(tǒng)集合上特征函數的二值域{0，1}擴展為區(qū)間
，以刻化由事物中介過渡所引起的概念外延的不分明及識別判斷的不確定性，從而有效地表現了自然事物及人的認知過程中的信息所表現出來的基本特性。因此，借助于模糊集理論，可以反映圖像本身具有的模糊性以及人類在圖像分析和理解過程中存在的模糊性。
支持向量機(Support Vector Machine，SVM)是近年來在模式識別與機器學習領域中出現的新工具。20世紀90年代中期，一種研究小樣本情況下機器學習規(guī)律的理論，即統(tǒng)計學習理論(Statistical Learning Theory)開始受到越來越廣泛的重視。統(tǒng)計學習理論是建立在一套較堅實的理論基礎之上的，為解決有限樣本學習問題提供了一個統(tǒng)一的框架。SVM以統(tǒng)計學習理論為基礎，有效地避免經典學習方法中過學習、維數災難、局部極小等傳統(tǒng)分類存在的問題，在小樣本條件下仍然具有良好的范化能力，因此受到了廣泛的關注。SVM成功應用到了人臉識別、文本分類、基因分析、語音識別等多種領域。最近幾年來，支持向量機也被用到了紋理圖像分類中，取得了不錯的效果。

發(fā)明內容
本發(fā)明的目的就是針對現有技術的不足，可以從圖像紋理中挖掘出盡可能多的非線性特征信息，以實現一個魯棒性、分割速度和分割效果都具有良好的實際應用價值的圖像紋理分割方法。
為了實現以上目的，本發(fā)明的圖像紋理分割方法主要包括4個步驟(1)采用矩不變的自動門限法對圖象進行二值化；(2)利用Hilbert曲線對紋理圖像進行掃描，使二維的圖像信息轉換成一維的序列s；(3)對(2)中的一維序列進行進行加窗處理后，提取KC復雜性紋理特征和C0復雜性紋理特征，得到描述紋理復雜性特征的一個4維特征向量；(4)采用支持向量機方法，得到紋理分割后的圖像。
步驟(1)中的矩不變的自動門限法采用二值化前后圖像的前三階矩相等的原則選擇門限值。
步驟(2)中Hilbert曲線掃描方法中Hilbert曲線的基本元素包括“杯”和“連接”。所述的“杯”是一邊未封閉的矩形；所述的“連接”是連接兩個“杯”的一段有向線段。Hilbert曲線是由基本元素迭代生成，具體過程為一階的Hilbert曲線是一個覆蓋2×2區(qū)域的矩形區(qū)，二階的曲線用四個等大的“杯”通過三個“連接”代替一階的矩形區(qū)，依次類推，下一階的曲線可利用四個更小的“杯”和三個“連接”代替上一階曲線中的每一個“杯”來獲得。
步驟(3)中的KC復雜性紋理特征包括KC值矩陣A1和KC均方差矩陣A2，提取方法具體步驟包括a.對步驟(2)中的一維時間序列s加窗后，進行KC復雜性計算；b.遍歷整幅圖像，對所有的窗進行上述處理，將得到KC值矩陣A1；c.利用μkc=1M×NΣi=1MΣj=iNA1[i][j]]]>求出KC均值μkc，其中M為行方向上的窗的個數，N為列方向上的窗的個數；d.利用σi,j2=(A1[i][j]-μkc)2]]>求出每個對應的窗KC均方差σi，j2，將所有的σi，j2組成KC均方差矩陣A2。
KC復雜性計算采用現有的成熟方法，例如Lempel和Ziv算法。
步驟(3)中的C0復雜性紋理特征包括C0值矩陣A3和C0均方差矩陣A4，提取方法具體步驟包括a.對步驟(2)中的一維時間序列s加窗后，進行C0復雜性計算；b.遍歷整幅圖像，對所有的窗進行上述處理，得到C0值矩陣A3；c.利用μc0=1M×NΣi=1MΣj=1NA3[i][j]]]>求出C0均值μc0，其中M為行方向上的窗的個數，N為列方向上的窗的個數；d.利用σi,j2=(A3[i][j]-μc0)2]]>求出每個窗對應的C0均方差σi，j2，將所有的σi，j2組成C0均方差矩陣A4。
C0復雜性計算采用現有的成熟方法，例如顧凡及等提出的算法。
本發(fā)明方法從非線性學領域的角度描述了紋理圖像的復雜性，揭示了紋理圖像的混沌特性，實現了復雜性測度的紋理圖像分割。本發(fā)明與現存的諸多圖像分割算法相比，在與之前的方法相比其分割效果相當的情況下，其魯棒性和分割速度大大提高，將在實際應用中有廣闊的發(fā)展前景。


圖1本發(fā)明方法的紋理分割框架圖；圖2為圖1中復雜性特征提取步驟的示意圖；圖3Hilbert曲線迭代生成過程的示意圖。
具體實施例方式
下面結合附圖詳細描述本發(fā)明方法。
一種復雜性測度的圖像紋理分割方法如圖1和圖2所示。主要包括4個步驟(1)基于矩不變的自動門限法二值化對圖像進行粗?；A處理；(2)Hilbert曲線紋理圖像掃描；(3)基于復雜性測度的圖像紋理特征提??；(4)采用支持向量機方法，可得到紋理分割后圖像；下面對其逐一介紹。
步驟一采用矩不變自動門限法用于圖像的二值化，其基本思想是使閾值分割前后，圖像的前三階矩保持不變。矩不變自動門限法可以看作是一種圖像變換，它將原始模糊圖像變換成理想圖像。
二維圖像的各階矩mi定義為m0=1mi=Σjlpj(zj)ik=1,2,···]]>其中Zj為灰度值，l為圖像總灰度級數，pj為圖像中灰度為Zj的像素比例。對于圖像分割來說，如果進行二值分割，則分割后只有Z0和Z1兩個灰度級，且Z0＜Z1。低于閾值的像素比例和高于閾值的像素比例分別使用p0和p1表示，則分割后圖像的前三階矩mi′=Σj=01Pj(zj)i]]>i＝1，2，3. (2)對于劃分目標和背景的正確門限值，即最佳門限值，應當保持分割前后的圖像的前三階矩相等。即有mi′＝mii＝1，2，3.(3)同時注意到，p0+p1＝1(4)則可以得到如下方程組p0Z00+P1Z10=m0p0Z01+p1Z11=m1p0Z02+p1Z12=m2p0Z03+p1Z13=m3---(5)]]>為了找到希望的閾值T，需要先從上述方程組中解出p0p0=G-m1(c12-4c0)1/2---(6)]]>其中，c0=m1m3-m22m2-m12,]]>c1=m1m2-m3m2-m12,]]>G=12[(c12-4c0)1/2-c1]---(7)]]>
求出p0后再在原圖像直方圖上選擇合適的T使之滿足p0Σi≤tpi---(8)]]>則T就是所求的分割閾值。當找不到精確的灰度值做門限滿足p0時，選擇最為接近的灰度值作為分割閾值T。
步驟二Hilbert曲線紋理圖像掃描通常，因過去非線性特征多用于分析一維信號，所以要將二維圖像序列轉換成一維序列。如采用光柵掃描，即水平掃描或者垂直掃描，這樣缺陷在于只利用了二維圖像中的一個方向(水平或垂直)的相關性。1890年意大利數學家G.Peano構造了一種空間填充曲線，它不自相交的通過空間中每個點。之后，德國數學家D.Hilbert于1891年構造出了一類最簡單的二維空間填充曲線，稱之為Hilbert曲線。
Hilbert曲線的基本元素是一邊未封閉的邊未封閉的矩形(稱為“杯”)和連接兩個“杯”的一段有向線段(稱為“連接”)。根據不同的入口和出口方向，有四種不同形狀的“杯”。
一階的Hilbert曲線是一個覆蓋2×2區(qū)域的矩形區(qū)，二階的曲線用四個等大的矩形區(qū)(四個“杯”)通過三個“連接”代替一階的矩形區(qū)。依次類推，下一階的曲線可利用四個更小的“杯”和三個“連接”代替上一階曲線中的每一個“杯”來獲得，Hilbert曲線的生成迭代過程如圖3所示。
采用Hilbert曲線掃描圖像的優(yōu)點在于1)較小的代價就可實現有相似亮度的相鄰象素點的提??；2)保持了二維圖像的內聚特性，是所有掃描曲線方式中能保留圖像特征的最佳空間填充曲線。
步驟三基于復雜性測度的圖像紋理特征提取由于KC復雜性、C0復雜性、漲落復雜性是對一塊區(qū)域的動力復雜性的一種描述，所以如果要計算一個信號(時間序列或二維圖像)的復雜性分布的時候，需要對原信號劃分區(qū)域后計算采樣后的復雜性。其區(qū)域的選擇也是有要求的，即區(qū)域不能選取太小，否則統(tǒng)計出來的復雜性不能作為該種紋理的代表；區(qū)域也不能選取過大，否則算法的計算量會太大，不利于算法的應用。這里我們采用了一種“大窗代表小窗”的方法，即對m×n的紋理圖像選擇塊的大小用32×32的窗所計算的復雜性結果來代表該窗的中心窗16×16或中心窗8×8的紋理復雜性。經過邊緣處理后，一幅m×n的紋理圖像采樣為 或 個復雜性分布矩陣，每個矩陣為32×32象素點構成。
圖像的加窗處理完成以后，我們就可以分別進行KC復雜性、C0復雜性的計算了。
KC復雜度是由Kolmogorov于1965年首先提出的復雜性測度就是產生給定“0，1”序列最少的計算機程序的比特數[56，57]。Lempel和Ziv隨后提出了實現這種復雜性的算法。KC復雜度是一種隨機性測度，它反映了一個時間序列隨其長度的增長出現新模式的速率，表現序列接近隨機的程度，在某種程度上反映了符號序列的結構特性，而不是動態(tài)系統(tǒng)的特性。
KC復雜性計算采用現有的成熟方法Lempel和Ziv算法，具體算法如下如有一序列S＝(s1，s2，s3…sn)，對S按一定的規(guī)則劃分子串界定。在形成S＝(s1，s2，s3…sn)后，再加一個或一串字符Q(Q＝sn+1或Q＝ (sn+1sn+2…sn+k))，得到SQ，令SQv是一串字符SQ減去最后的一個字符，再看Q是否屬于SQv字符串中已有的“字句”。如果已出現過，那么把這個字符加在后面稱之為“復制(copy)”；如果沒有出現過，則稱之為“插入(insert)”?！安迦搿睍r用一個“·”把前后分開。下一步則把“·”前面的所有字符看成S，再重復如上步驟。
例如，序列0010的復雜度可以由下列步驟而得第一個符號永遠是插入，因為S＝φ，Q＝0，SQ＝0，SQπ＝φ，Q不屬于字句SQπ子串的“字句φ”，則Q是一個插入，記插入→0·；S＝0，Q＝0，SQ＝00，SQπ＝0，Q屬于字句SQπ，記拷貝→0·0；S＝0，Q＝01，SQ＝001，SQπ＝00，Q不屬于字句SQπ，記插入→0·01·；S＝001，Q＝0，SQ＝0010，SQπ＝001，Q屬于字句SQπ，記拷貝→0·01·0；這時，C(4)＝3。
如序列00000...應該是最簡單的，它的形式是0·0000...，C(n)＝2；符號列01010101...應是0·1·010101...，C(n)＝3；如上所述，得到用“·”分成段的字符串，分成段的數目就是我們所要計算的“復雜度C(n)”，即KC復雜性。
圖像的KC復雜性紋理特征包括KC值矩陣A1和KC均方差矩陣A2，提取方法具體步驟包括a.對步驟(2)中的一維時間序列s加窗后，進行KC復雜性計算；b.遍歷整幅圖像，對所有的窗進行上述處理，將得到KC值矩陣A1；c.利用μkc=1M×NΣi=1MΣj=1NA1[i][j]]]>求出KC均值μkc，其中M為行方向上的窗的個數，N為列方向上的窗的個數；d.利用σi,j2=(A1[i][j]-μkc)2]]>求出每個對應的窗KC均方差σi，j2，將所有的σi，j2組成KC均方差矩陣A2，KC復雜性紋理特征的提取方法C0復雜性認為，一個動力系統(tǒng)所表現的動力學行為可能是非常復雜的， 但復雜中也有規(guī)律可循。簡單地說復雜運動是由規(guī)則運動和隨機運動混合而成的。隨機運動所占的分額，就是C0復雜度。C0復雜反映的也是符號序列的結構特性，而不是動態(tài)系統(tǒng)的特性。C0復雜性計算采用現有的顧凡及教授等提出的成熟方法，具體步驟如下(1)利用快速傅立葉變換計算原始時間序列x(t)的功率譜和平均值xx(k)＝F[x(t)] (9)x‾=1NΣk=1Nx(k)---(10)]]>式中，k為頻域變量，N為x(k)的長度。
(2)把幅值比平均值大的波譜成分保留，其余的均被置為0，形成新的波譜x′(k)x′(k)=x(k)ifxx(k)>x‾0ifx(k)≤x‾---(11)]]>(3)對這個新的波譜進行傅立葉逆變換，得到一個新的時間序列，將這個時間序列作為原始時間序列的規(guī)則運動成分x1(t)。而原始時間序列與規(guī)則成分之差為隨機運動成分x(t)-x1(t)。
x1(t)＝F-1[x′(k)] (12)(4)隨機運動成分的面積A1與原始時間序列面積A0之比記為C0復雜度。
A0∫0∞|x(t)|dt---(13)]]>A1=∫0∞|x(t)x1(t)|dt---(14)]]>C0=limt→∞A1A0---(15)]]>顯然，當x1(t)在x(t)中所占份額很大時，C0→0，說明系統(tǒng)的動力學行為幾乎是規(guī)則的，不含隨機成分。反之，當x1(t)所占份額很小而隨機運動部分時間序列所占的份額很大時，C0→1，說明系統(tǒng)的動力學幾乎是完全隨機的。所以，隨著C0的增加，意味著動力學中的隨機成分增加。
圖像的C0復雜性紋理特征包括C0值矩陣A3和C0均方差矩陣A4，提取方法具體步驟包括a.對步驟(2)中的一維時間序列s加窗后，進行C0復雜性計算；b.遍歷整幅圖像，對所有的窗進行上述處理，得到C0值矩陣A3；c.利用μc0=1M×NΣi=1MΣj=1NA3[i][j]]]>求出C0均值μc0，其中M為行方向上的窗的個數，N為列方向上的窗的個數；d.利用σi,j2=(A3[i][j]-μc0)2]]>求出每個窗對應的C0均方差σi，j2，將所有的σi，j2組成C0均方差矩陣A4。
我們得到了4個M×N大小的特征值矩陣A1、A2、A3、A4，將矩陣相同位置上的4個特征值分別組成一個4維的特征向量，作為原圖上對應的中心窗的紋理特征向量。
步驟四采用支持向量機的進行紋理分割支持向量機類似于人工神經網絡，需要一個訓練過程，同樣選用的Brotadz紋理庫和Uni-Bonn紋理庫中的紋理來進行實驗。先對每類紋理圖像進行復雜性測度的特征提取，將各單一紋理圖像的特征作為訓練集，而待分割紋理圖像特征作為測試集。在訓練集中，各特征圖像中選取(不重復)一定數量的點作為測試樣本進行訓練獲得支持向量，然后將測試集完全輸入支持向量機，可得到最后分割圖像。
本發(fā)明的核心思想是非線性學領域的角度描述了紋理圖像的復雜性，揭示了紋理圖像的混沌特性，實現基于復雜性測度的紋理圖像分割技術，拓展了紋理分割的新方法。本方法需要的運算量少，分割精度以及正確率滿足要求，有重要的實用推廣價值。
實踐表明，本發(fā)明方法分割效果好，且準確。我們對比了現存的典型紋理描述方法以及他們的分割結果。對一幅512×512的紋理分割測試圖像，分別使用共生矩陣、Gabor濾波、小波變換、分形維數以及復雜性測度進行分割，并統(tǒng)計所需的時間。由分割效果以及所需時間可以看出基于共生矩陣的紋理模型由于要統(tǒng)計很多特征參數，耗時較多，分割效果不好；基于Gabor濾波的紋理模型由于需要得到紋理在頻率和方向上的微小變化信息，導致所需的濾波器的個數很大，消耗時間較多；基于小波變換的紋理分割方法由于使用了二進小波的快速算法，分割效果較好，時間耗費也相對較少；基于分形維數的紋理模型可以很好的模擬自然紋理，經過細化的紋理分割效果好，但是計算分形維數需要較大的運算量；相對而言，本發(fā)明提出的基于復雜性測度的紋理分割算法需要的運算量少，在分割精度以及正確率滿足要求前提下，計算速度大大提高。
權利要求
1.一種復雜性測度的圖像紋理分割方法，其特征在于該方法具體步驟包括(1)采用矩不變的自動門限法對圖象進行二值化；(2)利用Hilbert曲線對紋理圖像進行掃描，使二維的圖像信息轉換成一維序列s；(3)對步驟(2)中的一維序列進行進行加窗處理后，提取KC復雜性紋理特征和C0復雜性紋理特征，得到描述紋理復雜性特征的一個4維特征向量；(4)采用支持向量機方法，得到紋理分割后的圖像。
2.如權利要求1所述的一種復雜性測度的圖像紋理分割方法，其特征在于步驟(1)中的矩不變的自動門限法采用二值化前后圖像的前三階矩相等的原則選擇門限值。
3.如權利要求1所述的一種復雜性測度的圖像紋理分割方法，其特征在于步驟(2)中Hilbert曲線掃描方法中Hilbert曲線的基本元素包括“杯”和“連接”；所述的“杯”是一邊未封閉的矩形，所述的“連接”是連接兩個“杯”的一段有向線段；Hilbert曲線是由基本元素迭代生成，具體過程為一階的Hilbert曲線是一個覆蓋2×2區(qū)域的矩形區(qū)，二階的曲線用四個等大的“杯”通過三個“連接”代替一階的矩形區(qū)，依次類推，下一階的曲線利用四個更小的“杯”和三個“連接”代替上一階曲線中的每一個“杯”來獲得。
4.如權利要求1所述的一種復雜性測度的圖像紋理分割方法，其特征在于步驟(3)中的KC復雜性紋理特征包括KC值矩陣A1和KC均方差矩陣A2，提取方法具體步驟包括a.對步驟(2)中的一維時間序列s加窗后，進行KC復雜性計算；b.遍歷整幅圖像，對所有的窗進行上述處理，得到KC值矩陣A1；c.利用μkc=1M×NΣi=1MΣj=1NA1[i][j]]]>得到KC均值μkc，其中M為行方向上的窗的個數，N為列方向上的窗的個數；d.利用σi,j2=(A1[i][j]-μkc)2]]>得到每個對應的窗KC均方差σi，j2，將所有的σi，j2組成KC均方差矩陣A2。
5.如權利要求1所述的一種復雜性測度的圖像紋理分割方法，其特征在于步驟(3)中的C0復雜性紋理特征包括C0值矩陣A3和C0均方差矩陣A4，提取方法具體步驟包括a.對步驟(2)中的一維時間序列s加窗后，進行C0復雜性計算；b.遍歷整幅圖像，對所有的窗進行上述處理，得到C0值矩陣A3；c.利用μc0=1M×NΣi=1MΣj=1NA3[i][j]]]>得到C0均值μc0，其中M為行方向上的窗的個數，N為列方向上的窗的個數；d.利用σi,j2=(A3[i][j]-μc0)2]]>得到每個窗對應的C0均方差σi，j2，將所有的σi，j2組成C0均方差矩陣A4。
全文摘要
本發(fā)明涉及一種圖像紋理分割方法。本發(fā)明方法步驟包括采用矩不變的自動門限法對圖象進行二值化；利用Hilbert曲線對紋理圖像進行掃描，使二維的圖像信息轉換成一維序列；對一維序列進行進行加窗處理后，提取KC復雜性紋理特征和C
文檔編號G06K9/62GK101030297SQ20071006769
公開日2007年9月5日 申請日期2007年3月29日 優(yōu)先權日2007年3月29日
發(fā)明者范影樂, 李軼, 龐全 申請人:杭州電子科技大學